说明

我们的软件包引入了基于 PyTorch 实现的物理信息神经网络（PINNs）。其突出特点是集成了 CUDA 图和 JIT 编译器（TorchScript）来编译模型，与原始 TensorFlow v1 实现相比，性能显著提升，最高可达 9 倍。

更多信息请参阅我们的论文：

PINNs-Torch：利用 PyTorch 提升物理信息神经网络的速度与易用性。 Reza Akbarian Bafghi 和 Maziar Raissi. DLDE III, NeurIPS, 2023.

安装

PINNs-Torch 需要安装以下依赖：

• PyTorch ≥2.0.0
• PyTorch Lightning ≥ 2.0.0
• Hydra ≥ 1.3

然后，您可以通过 [pip] 安装 PINNs-Torch：

pip install pinnstorch

如果您打算引入新功能或修改代码，我们建议克隆仓库并进行本地安装：

git clone https://github.com/rezaakb/pinns-torch
cd pinns-torch

# 【可选】创建 conda 环境
conda create -n myenv python=3.9
conda activate myenv

# 安装包
pip install -e .

快速入门

您可以在 examples 文件夹中探索各种已实现的示例。要运行特定代码，例如 Navier-Stokes 偏微分方程的示例，可以使用：

python examples/navier_stokes/train.py

您可以使用指定的配置文件训练模型，例如 examples/navier_stokes/configs/config.yaml 中的配置。参数也可以直接通过命令行覆盖。例如：

python examples/navier_stokes/train.py trainer.max_epochs=20 n_train=3000

要使用我们的软件包，主要有两种方式：

• 按照我们提供的示例，使用 Hydra 构建您的训练结构。
• 直接集成我们的软件包来解决您自定义的问题。

有关如何直接使用我们的软件包求解连续正问题中的薛定谔方程的实用指南，请参阅我们的教程：tutorials/0-Schrodinger.ipynb。

数据

数据存储在服务器上，每次运行示例时都会自动下载。

贡献

由于这是我们软件包的第一个版本，仍有许多改进和错误修复的空间。我们非常重视社区的贡献。如果您在使用本库的过程中发现任何问题、缺失的功能或异常行为，请随时在 GitHub 上提交 issue 或 pull request。如有任何疑问、建议或反馈，请发送至 Reza Akbarian Bafghi 的邮箱：reza.akbarianbafghi@colorado.edu。

许可证

“pinnstorch” 根据 [BSD-3] 许可协议发布，是一款免费且开源的软件。

资源

我们在开发本软件包时参考了 此模板，借鉴了其结构和设计原则。如需深入了解，建议访问他们的 GitHub 仓库。此外，我们也推荐查阅 Hydra 和 PyTorch Lightning 的官方文档以获取更多见解。

引用

如果您在研究中使用了本项目，请考虑引用：

@inproceedings{
bafghi2023pinnstorch,
title={{PINN}s-Torch: Enhancing Speed and Usability of Physics-Informed Neural Networks with PyTorch},
author={Reza Akbarian Bafghi and Maziar Raissi},
booktitle={The Symbiosis of Deep Learning and Differential Equations III},
year={2023},
url={https://openreview.net/forum?id=nl1ZzdHpab}
}

PINNs-Torch 快速上手指南

PINNs-Torch 是一个基于 PyTorch 实现的物理信息神经网络（PINNs）库。其核心亮点是结合了 CUDA Graphs 和 JIT 编译器（TorchScript），相比原始的 TensorFlow v1 实现，性能提升最高可达 9 倍。

环境准备

在开始之前，请确保您的系统满足以下要求：

• Python: 建议版本 3.9+
• PyTorch: >= 2.0.0
• PyTorch Lightning: >= 2.0.0
• Hydra: >= 1.3

提示：如果您在中国大陆地区，建议在安装 PyTorch 时使用国内镜像源以加速下载。例如使用清华源安装 PyTorch：

pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

您可以选择直接通过 pip 安装稳定版，或克隆源码进行开发模式安装。

方式一：直接安装（推荐）

pip install pinnstorch

方式二：源码安装（适合二次开发）

如果您需要修改代码或添加新功能，建议克隆仓库并进行本地安装：

git clone https://github.com/rezaakb/pinns-torch
cd pinns-torch

# [可选] 创建并激活 conda 环境
conda create -n myenv python=3.9
conda activate myenv

# 以编辑模式安装包
pip install -e .

基本使用

本库提供了两种主要使用方式：一是运行内置的示例脚本，二是直接在代码中调用库来解决自定义问题。

1. 运行内置示例

库中 examples 文件夹包含了多种偏微分方程（PDE）的实现。例如，要训练一个纳维 - 斯托克斯（Navier-Stokes）方程模型，可直接运行：

python examples/navier_stokes/train.py

您可以通过命令行直接覆盖配置文件中的参数。例如，将最大训练轮数设为 20，训练样本数设为 3000：

python examples/navier_stokes/train.py trainer.max_epochs=20 n_train=3000

2. 自定义问题教程

若您希望直接在代码中集成该库来解决特定的连续正向问题（如薛定谔方程），请参考官方提供的 Jupyter Notebook 教程，其中展示了完整的构建流程：

• 教程路径: tutorials/0-Schrodinger.ipynb
• 在线体验: 在 Google Colab 中打开

注意：运行示例时，所需数据会自动从服务器下载，无需手动准备。